Python Fuzzy Matching (FuzzyWuzzy) - сохранить только лучший матч

Question

Я пытаюсь нечетко сопоставить два CSV-файла, каждый из которых содержит один столбец имен, которые похожи, но не совпадают.

Мой код пока выглядит следующим образом:

import pandas as pd
from pandas import DataFrame
from fuzzywuzzy import process
import csv

save_file = open('fuzzy_match_results.csv', 'w')
writer = csv.writer(save_file, lineterminator = '\n')

def parse_csv(path):

with open(path,'r') as f:
    reader = csv.reader(f, delimiter=',')
    for row in reader:
        yield row


if __name__ == "__main__":
## Create lookup dictionary by parsing the products csv
data = {}
for row in parse_csv('names_1.csv'):
    data[row[0]] = row[0]

## For each row in the lookup compute the partial ratio
for row in parse_csv("names_2.csv"):
    #print(process.extract(row,data, limit = 100))
    for found, score, matchrow in process.extract(row, data, limit=100):
        if score >= 60:
            print('%d%% partial match: "%s" with "%s" ' % (score, row, found))
            Digi_Results = [row, score, found]
            writer.writerow(Digi_Results)


save_file.close()

Вывод следующий:

Name11 , 90 , Name25 
Name11 , 85 , Name24 
Name11 , 65 , Name29

Скрипт работает отлично. Вывод соответствует ожидаемому. Но то, что я ищу, это только лучший матч.

Name11 , 90 , Name25
Name12 , 95 , Name21
Name13 , 98 , Name22

Поэтому мне нужно как-то отбросить дублированные имена в столбце 1, основываясь на самом высоком значении в столбце 2. Это должно быть довольно просто, но я не могу понять это. Любая помощь будет оценена.

Answer 1

fuzzywuzzy-х process.extract() возвращает список в обратном отсортированном порядке, с лучшим совпадением.

поэтому, чтобы найти наилучшее совпадение, вы можете установить предельный аргумент как 1, так что он возвращает только лучшее соответствие, и если оно больше 60, вы можете записать его в CSV, как вы делаете сейчас.

Пример -

## For each row in the lookup compute the partial ratio
for row in parse_csv("names_2.csv"):

    for found, score, matchrow in process.extract(row, data, limit=1):
        if score >= 60:
            print('%d%% partial match: "%s" with "%s" ' % (score, row, found))
            Digi_Results = [row, score, found]
            writer.writerow(Digi_Results)

Answer 2

Несколько частей вашего кода могут быть значительно упрощены с помощью process.extractOne() от FuzzyWuzzy. Мало того, что он просто возвращает верхнее совпадение, вы можете установить для него порог оценки в вызове функции, а не выполнять отдельный логический шаг, например:

process.extractOne(row, data, score_cutoff = 60)

Эта функция вернет кортеж с самым высоким соответствием плюс сопровождающий счет, если найдет совпадение, удовлетворяющее условию. Он вернется None иначе.

Answer 3

Я просто написал то же самое для себя, но в пандах....

import pandas as pd
import numpy as np
from fuzzywuzzy import fuzz
from fuzzywuzzy import process

d1={1:'Tim','2':'Ted',3:'Sally',4:'Dick',5:'Ethel'}
d2={1:'Tam','2':'Tid',3:'Sally',4:'Dicky',5:'Aardvark'}

df1=pd.DataFrame.from_dict(d1,orient='index')
df2=pd.DataFrame.from_dict(d2,orient='index')

df1.columns=['Name']
df2.columns=['Name']

def match(Col1,Col2):
    overall=[]
    for n in Col1:
        result=[(fuzz.partial_ratio(n, n2),n2) 
                for n2 in Col2 if fuzz.partial_ratio(n, n2)>50
               ]
        if len(result):
            result.sort()    
            print('result {}'.format(result))
            print("Best M={}".format(result[-1][1]))
            overall.append(result[-1][1])
        else:
            overall.append(" ")
    return overall

print(match(df1.Name,df2.Name))

Я использовал порог 50 в этом - но это настраивается.

Dataframe1 выглядит как

    Name
1   Tim
2   Ted
3   Sally
4   Dick
5   Ethel

И Dataframe2 выглядит так

Name
1   Tam
2   Tid
3   Sally
4   Dicky
5   Aardvark

Таким образом, работает он производит совпадения

['Tid', 'Tid', 'Sally', 'Dicky', ' ']

Надеюсь это поможет.